目的肺超声（LUS）是一种便携式的低成本呼吸成像工具，但受到用户依赖性和缺乏诊断特异性的挑战。LUS实施的优势是否可以与深度学习（DL）技术配对使用，以匹配或超过人类在相似出现的病理性LUS图像中的诊断特异性尚不清楚。设计在具有不同病因的B线的LUS图像上训练了卷积神经网络（CNN）。使用10％的数据保留集验证了CNN的诊断性能，并将其与接受调查的具有LUS能力的医生进行了比较。设置两家加拿大三级医院。参与者来自243名患有（1）COVID-19（COVID），非COVID急性呼吸窘迫综合征（NCOVID）或（3）静水性肺水肿（HPE）的不同患者的612条LUS视频（121 381帧）。结果在独立数据集上经过训练的CNN性能显示出能够区分COVID（接收器工作特征曲线（AUC）1.0下的区域），NCOVID（AUC 0.934）和HPE（AUC 1.0）病理的能力。这显着优于医师的能力（对于COVID，NCOVID和HPE类，AUC分别为0.697、0.704、0.967），p <0.01。结论DL模型可以区分人类无法区分的相似出现的LUS病理，包括COVID-19。人类与模型之间的性能差距表明，超声图像中可能存在亚可见的生物标志物，值得进行多中心研究。934）和HPE（AUC 1.0）病理。这显着优于医师的能力（对于COVID，NCOVID和HPE类，AUC分别为0.697、0.704、0.967），p <0.01。结论DL模型可以区分人类无法区分的相似出现的LUS病理，包括COVID-19。人类与模型之间的性能差距表明，超声图像中可能存在亚可见的生物标志物，值得进行多中心研究。934）和HPE（AUC 1.0）病理。这显着优于医师的能力（对于COVID，NCOVID和HPE类，AUC分别为0.697、0.704、0.967），p <0.01。结论DL模型可以区分人类无法区分的相似出现的LUS病理，包括COVID-19。人类与模型之间的性能差距表明，超声图像中可能存在亚可见的生物标志物，值得进行多中心研究。



"点击查看英文标题和摘要"